AI写Python项目总翻车？我靠「工程规范前置」省了3天返工时间

上周我让AI帮我写一个Python每日打卡学习项目，本来想着10分钟就能搞定基础框架，结果硬生生改了3天：AI第一次生成的代码把所有逻辑塞在同一个main.py里，第二次迭代的时候变量名从count改成cnt又改成total_num，依赖版本还写死了latest，加个导出功能直接全崩。后来我把项目翻了一遍才发现，问题从来不是AI能力不行，是我一开始就没给它明确的规则边界。

踩坑实录：无规范的AI开发有多痛？

当时我要的核心功能很简单：用户输入打卡内容、自动记录日期、月底统计打卡次数。第一次AI生成的代码里，打卡逻辑和统计逻辑混在一起，变量名全是用拼音缩写，我提了「改得规范一点」之后，AI直接给我加了十几个没用的装饰器，代码行数翻了一倍，反而更难维护。更坑的是依赖问题，AI第一次写的requirements.txt里写的是requests>=2.0，后来迭代的时候加了新功能，自动升级到了3.x版本，结果之前写的解析逻辑直接报错，光排查依赖问题就花了一天。

破局关键：先把工程规范喂给AI

后来我花了10分钟写了一份极简工程规范，放在AI的项目记忆里，每次和AI交互前先附上：

project/
├── src/                # 业务代码目录
│   ├── __init__.py
│   ├──打卡记录.py       # 打卡核心逻辑
│   └── 数据统计.py       # 统计核心逻辑
├── tests/              # 测试用例目录
│   └── test_打卡记录.py
├── requirements.txt    # 依赖 pinned 精确版本
└── README.md           # 项目说明

配套的规则也很简单：

1. 严格遵循PEP8规范，变量名必须语义化，禁止用拼音缩写和无意义命名；
2. 所有IO操作必须加try-except错误处理，禁止直接print报错信息；
3. 新增功能必须配套单测用例，不能只写业务逻辑；
4. 禁止随意修改已有目录结构和公共变量名。

实际收益：规范前置后效率直接翻倍

后来要加「打卡数据导出为Excel」的功能，这次我直接把规范发给AI，只提了功能需求，生成的代码直接符合目录结构，变量名统一，错误处理也加好了，甚至自动补了对应的单测用例，跑一遍所有测试都通过，全程只用了2小时。之后迭代了3次功能，再也没有出现过变量名混乱、依赖冲突的问题，连代码审查的时间都省了。

可带走的方法论

如果你也想用AI提升Python开发效率，可以试试这3步：

1. 项目启动前先花10分钟写极简规范：不用追求完美，先把目录结构、命名规则、依赖管理这几个核心点定下来，比直接让AI写代码省时间；
2. 把规范存在AI的项目记忆/自定义提示词模板里：每次交互前先附上，避免AI「自由发挥」产出不符合预期的代码；
3. 先跑通基础流程再迭代复杂功能：第一次生成代码后先验证核心逻辑，再逐步加功能，不要上来就堆全量需求，避免返工。

AI编码助手从来不是「魔法棒」，它的输出质量完全取决于你给的约束边界。提前花10分钟定规则，反而能省下几天的返工时间，这才是用AI提效的核心逻辑。